Trust Wallet Luncurkan Perlindungan Peracunan Alamat

TheNewsCryptoDipublikasikan tanggal 2026-03-10Terakhir diperbarui pada 2026-03-10

Abstrak

Trust Wallet telah meluncurkan fitur keamanan baru bernama Address Poisoning Protection untuk melindungi pengguna dari penipuan crypto yang umum. Fitur ini tersedia di lebih dari 32 jaringan EVM dan akan terus diperluas. Dengan memanfaatkan kecerdasan dari HashDit dan Binance Security, fitur ini memindai transaksi secara real-time untuk mendeteksi alamat palsu yang mirip, lalu memperingatkan pengguna sebelum dana dikirim. CEO Trust Wallet, Felix Fan, menekankan bahwa ancaman ini sering kali tersembunyi dan mudah terlewat. Menanggapi laporan Chainalysis yang menyebutkan kerugian mencapai $17 miliar akibat penipuan crypto pada 2025, fitur ini hadir sebagai solusi otomatis. Entitas lain seperti Ledger Live dan Safe juga telah mengembangkan perlindungan serupa. Berdasarkan data, sekitar 34.000 serangan address poisoning terjadi setiap jam, menargetkan hingga 17 juta korban. Fitur ini merupakan bagian dari upaya berkelanjutan Trust Wallet dalam meningkatkan keamanan pengguna.

Trust Wallet telah meluncurkan fitur keamanan baru untuk melindungi pengguna dari jenis penipuan kripto umum yang dikenal sebagai peracunan alamat. Fitur ini akan dapat diakses di Trust Wallet untuk perangkat seluler di lebih dari 32 rantai EVM, dengan rencana penambahan rantai lainnya.

Menurut publikasi tersebut, Perlindungan Peracunan Alamat Trust yang baru akan secara insting memindai transaksi pengguna untuk mendeteksi alamat palsu dan mengingatkan pengguna sebelum dana palsu dikirim, sebuah penipuan yang melibatkan pengiriman transaksi kecil dari alamat dompet yang mirip untuk menipu pengguna agar menyalin alamat yang salah.

Alat ini akan memanfaatkan kecerdasan teragregasi dari HashDit dan Binance Security untuk memverifikasi alamat penipuan yang diketahui dan alamat serupa. Ini juga akan membuat perbandingan sisi-demi-sisi untuk menunjukkan di mana alamat-alamat tersebut berbeda.

Chief Executive Officer Trust Wallet, Felix Fan, menyebutkan bahwa ancaman tersebut dibuat agar tidak terlihat: beberapa karakter tersembunyi di tengah rangkaian panjang, mudah terlewatkan dan mahal untuk diabaikan.

Lainnya Untuk Mengizinkan Transaksi Otomatis

Perlindungan Peracunan Alamat adalah respons terhadap realitas itu: peringatan otomatis, waktu-nyata yang memberikan informasi yang diperlukan pengguna sebelum mereka bertindak. Chainalysis baru-baru ini melaporkan bahwa sekitar $17 miliar hilang akibat penipuan kripto pada tahun 2025, terutama dipengaruhi oleh meningkatnya taktik peniruan yang diaktifkan oleh AI.

Trust Wallet bukanlah satu-satunya entitas yang mengizinkan perlindungan transaksi otomatis. Ledger Live, misalnya, menyediakan "clear signing" untuk memberikan detail transaksi lengkap bersama opsi whitelisting untuk alamat tepercaya.

Safe, yang juga menyediakan beberapa perlindungan peracunan alamat, menyebutkan bahwa bentuk "spoofing" ini relatif baru dan telah menjadi masalah yang meningkat dalam beberapa tahun terakhir. Perusahaan keamanan Cyvers menyebutkan bahwa mereka menemukan lebih dari 1 juta persiapan peracunan alamat per hari di Ethereum, sementara Trust memperkirakan 34.000 serangan terjadi setiap jam, menargetkan 17 juta korban, menurut juru bicara.

Untuk bagiannya, Trust Wallet menyebutkan Perlindungan Peracunan Alamat siap dibuat pada tumpukan keamanan saat ini, yang mencakup alat risiko tingkat transaksi yang diluncurkan pada tahun 2023.

Berita Kripto Terkini yang Disorot:

Kolaborasi Nasdaq Menargetkan Perdagangan dan Penyelesaian Sekuritas Tokenisasi Pan-Eropa

Pertanyaan Terkait

QApa itu Address Poisoning Protection yang diluncurkan oleh Trust Wallet?

AAddress Poisoning Protection adalah fitur keamanan baru dari Trust Wallet yang dirancang untuk melindungi pengguna dari scam crypto dengan memindai transaksi secara otomatis, mendeteksi alamat palsu, dan mengingatkan pengguna sebelum dana dikirim ke alamat yang salah.

QPada berapa jaringan EVM fitur perlindungan ini tersedia?

AFitur ini tersedia di lebih dari 32 jaringan EVM di Trust Wallet untuk perangkat mobile, dengan rencana penambahan jaringan lainnya di masa depan.

QBagaimana cara kerja alat Address Poisoning Protection?

AAlat ini memanfaatkan kecerdasan teragregasi dari HashDit dan Binance Security untuk memverifikasi alamat scam yang diketahui dan melakukan perbandingan sisi demi sisi untuk menunjukkan perbedaan antara alamat asli dan palsu.

QMengapa address poisoning dianggap sebagai ancaman yang berbahaya?

AAncaman ini berbahaya karena dibuat tidak terlihat, dengan beberapa karakter yang tersembunyi di tengah string panjang yang mudah terlewatkan, dan dapat mengakibatkan kerugian finansial yang besar jika diabaikan.

QSelain Trust Wallet, siapa lagi yang menawarkan perlindungan serupa terhadap address poisoning?

ALedger Live juga menawarkan perlindungan dengan fitur 'clear signing' yang memberikan detail transaksi lengkap dan opsi whitelisting untuk alamat tepercaya. Platform Safe juga menyediakan beberapa perlindungan terhadap address poisoning.

Bacaan Terkait

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit7m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit7m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

Bursa Korea Selatan Upbit melakukan penataan ulang 864 miliar SHIB di antara alamat dompet internalnya, menciptakan pergerakan rantai-blok besar senilai sekitar $4 juta. Pergerakan ini melibatkan transfer 384 miliar SHIB keluar dari dompet panas dan 480 miliar SHIB kembali ke dompet yang sama, tampaknya sebagai bagian dari operasi penyeimbangan kembali (rebalancing) dompet rutin, bukan pelepasan atau penjualan aset oleh bursa. Aktivitas ini terjadi setelah SHIB mengalami reli harga 36%, yang membuatnya lebih mencolok dan ditanggapi dengan sensitif oleh pedagang. Namun, karena perpindahan terjadi antara alamat yang diketahui milik Upbit sendiri, hal ini tidak secara langsung mengubah pasokan di pasar. Artikel ini menekankan pentingnya konteks dan pelabelan dompet yang tepat dalam menafsirkan data on-chain, agar pergerakan besar tidak disalahartikan sebagai sinyal jual atau aksi "paus" yang dapat menyesatkan narasi pasar.

bitcoinist8m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

bitcoinist8m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

Apakah ada batas yang wajar untuk jumlah makalah yang dapat disertakan seorang penulis di konferensi AI top? ICLR 2027 memberlakukan aturan baru: maksimal 20 makalah per penulis. Aturan ini dirancang untuk meringankan tekanan pada sistem peninjauan, terutama setelah ICLR 2026 mengalami lonjakan 68% dalam jumlah pengajuan hingga 19.525 makalah. Peraturan ini langsung memicu perdebatan. Dan Roy, seorang peneliti dari Google DeepMind, meluncurkan petisi satir di platform X yang menyerukan pencabutan batas 20 makalah tersebut. Dalam petisinya, dia secara ironis berargumen bahwa batasan ini akan "memperlambat kemajuan AI," terutama di era di mana AI Agent dapat menghasilkan banyak penelitian dan model bahasa besar (LLM) sudah digunakan untuk meninjau makalah. Sindirannya menyoroti kekhawatiran nyata tentang kualitas penelitian dan peninjauan. Poin utamanya adalah: dengan maraknya penggunaan AI untuk menulis dan meninjau makalah, apakah solusinya hanya membatasi jumlah pengajuan? ICLR mendorong ilmu "lebih lambat" dan lebih matang, sementara dinamika saat ini berisiko membanjiri sistem dengan makalah inkremental. Petisi Roy, meski sarkastik, mendorong komunitas untuk merenungkan inti permasalahan ini.

marsbit13m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

marsbit13m yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

Kerusakan pada dompet perangkat keras Coldcard mengakibatkan pencurian Bitcoin senilai sekitar $89 juta, memicu migrasi aset besar-besaran di blockchain terbesar sejak runtuhnya FTX. Menurut Galaxy Research, 1.367,05 BTC dicuri dari 4.585 alamat dalam tiga gelombang serangan yang menargetkan dompet dengan frasa pemulihan (seed phrase) yang lemah akibat cacat perangkat lunak. Insiden ini menyebabkan gangguan signifikan pada indikator rantai Bitcoin. Pengguna yang terdampak berbondong-bondong memindahkan aset mereka ke dompet baru yang aman, menyebabkan lonjakan ekstrem dalam aktivitas alamat aktif dan volume transaksi kecil. CryptoQuant mencatat puncak baru dalam transaksi berukuran di bawah 1 BTC dan peningkatan drastis deposit ke bursa, sementara sentimen pasar berubah sangat bearish. Pelacakan dana curian menghadapi tantangan unik: aturan keamanan AI di AS menghambat analisis data investigasi oleh model komersial utama, memaksa peneliti seperti tim Galaxy untuk beralih ke model AI sumber terbuka dari China (seperti GLM 5.2) guna melacak aliran dana dengan cepat. Kasus ini menyoroti dilema dalam penggunaan AI untuk keamanan siber: pembatasan yang melindungi juga dapat memperlambat respons defensif terhadap kejahatan yang bergerak cepat di ruang kripto.

marsbit58m yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

marsbit58m yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

OpenAI tidak lagi mengandalkan model termahal untuk menghasilkan uang. Pada 30 Juli, perusahaan mengumumkan penyesuaian harga, menurunkan harga model GPT-5.6 Luna sebesar 80% dan Terra sebesar 20%. Yang lebih penting dari angka penurunan harga adalah pesan intinya: untuk banyak tugas, model terkuat (seperti Sol) tidak selalu diperlukan. OpenAI secara eksplisit merekomendasikan strategi di mana model mahal (Sol) menangani perencanaan dan analisis kompleks, sementara model yang lebih terjangkau (Luna) mengeksekusi tugas, menulis kode, dan menjalankan pengujian. Pergeseran ini mencerminkan perubahan industri AI dari hanya mengejar kecerdasan tertinggi menuju optimisasi biaya dan efisiensi untuk penggunaan skala besar. Anthropic juga mengikuti pola serupa dengan meluncurkan Claude Opus 5 dengan harga setengah dari model andalannya, Fable 5. Kedua raksasa Silicon Valley ini menunjukkan bahwa model flagship kini berfungsi lebih untuk nilai merek dan pembuktian teknologi, sementara model "kendaraan massal" yang lebih murah (seperti Luna, Terra, Opus) yang akan mendorong adopsi komersial luas dan menghasilkan pendapatan utama. OpenAI mengungkapkan bahwa penurunan biaya ini sebagian didorong oleh model AI (Sol) yang mengoptimalkan kode produksi dan alur kerjanya sendiri, menciptakan siklus peningkatan efisiensi yang dapat mempercepat penurunan biaya di masa depan. Intinya, kompetisi AI bergeser dari "siapa yang paling pintar" menjadi "mana yang paling bernilai". Perusahaan tidak lagi membeli satu model tunggal, tetapi merancang sistem dengan beberapa model yang cocok untuk tugas yang berbeda—mirip dengan arsitektur komputasi awan. Tujuan akhir OpenAI adalah membangun ekosistem yang mengunci alur kerja pengembang melalui volume panggilan API yang sangat besar dan biaya yang sangat rendah, sehingga menciptakan daya tarik yang kuat. Ketika AI menjadi murah dan tersebar luas seperti listrik, tertanam dalam setiap proses tanpa diperdebatkan, era sesungguhnya baru dimulai.

marsbit1j yang lalu

Trading

Spot